在AI应用快速走向多模态融合的当下，开发者与企业往往需要在不同平台间切换，才能覆盖文本、图像、音视频乃至3D资产的全链路生产需求。阿里云百炼作为一站式大模型服务平台，提供千问及第三方模型服务，覆盖文本、图像、音频、视频等多种模态，打通了通义千问全系自研模型与DeepSeek、Kimi、智谱AI等头部第三方模型的调用通道，无需适配多套接口，就能在统一平台内完成从基础文本推理到复杂多模态生成的全流程开发，大幅降低了多模态AI应用的搭建门槛。目前开通阿里云百炼，可免费领取超7000万tokens，新用户零门槛领取千万免费tokens，90天超长有效期，随心体验大模型。详情可参考：https://www.aliyun.com/product/bailian
一、文本生成
1.1 千问模型
从能力最强到成本最低，按需选择。典型模型包括qwen3.7-max、qwen3.7-plus、qwen3.6-flash等。
1、qwen3.7-max
Qwen3.7系列中规模最大、综合能力最强的Max模型，当前开放纯文本模型能力供体验。Qwen3.7是面向智能体时代的新一代旗舰模型，核心优势在于智能体能力的广度与深度：在编程、办公与生产力、长周期自主执行方面均能出色胜任各项任务。
2、qwen3.7-plus
Qwen3.7系列中高性价比Plus模型，在强大文本能力的基础上全面升级了视觉-语言能力，同时保持了在编码、工具使用和生产力工作流方面的完整智能体能力。其核心特色为多模态交互混合智能体能力，能够感知真实世界场景、读取屏幕并操作 GUI、基于视觉参考生成代码、端到端导航移动应用。
3、qwen3.6-flash
Qwen3.6原生视觉语言系列Flash模型，模型效果相较3.5-Flash显著提升。本模型重点提升agentic coding能力（在多项代码智能体基准上大幅超越前代）、数学推理和代码推理能力；视觉方面在空间智能能力上显著增强，物体定位与目标检测提升尤为突出。
1.2 三方模型
API 格式与千问模型一致，典型模型包括deepseek-v4-pro、deepseek-v4-flash、kimi-k2.7-code、glm-5.2、MiniMax-M2.7等。
1、deepseek-v4-pro
旗舰级 MoE 大模型，总参1.6T、激活 49B，原生支持百万级超长上下文。依托海量高质量训练数据，具备顶尖数学逻辑、复杂推理、专业代码与长文本深度解析能力，适配高阶科研、复杂办公、深度智能代理等高难度场景。
2、deepseek-v4-flash
高效轻量化MoE模型，总参284B，激活13B，原生支持百万超长上下文能力。推理速度快、延迟低、调用成本低廉，综合能力均衡，主打高并发、轻量化任务，适合日常对话、内容创作、基础 RAG、批量文案处理等普惠刚需场景。
3、kimi-k2.7-code
kimi-k2.7-code是 kimi 迄今最智能的coding模型，在长上下文中更可靠地遵循指令，能以更高的成功率完成编程任务，同时支持文本、图片与视频输入，思考模式，对话与 Agent 任务。
4、glm-5.2
GLM-5.2是智谱AI推出的面向长程任务（Long Horizon Task）设计的最新旗舰模型，支持1M超长上下文。拥有强大逻辑推理、长文本理解与代码生成能力、兼顾性能与推理效率；在多任务基准中表现优异，适用于智能交互、企业应用、开发辅助等场景。
5、MiniMax-M2.7
M2.7 能够自行构建复杂 Agent Harness，并基于 Agent Teams、复杂 Skills、Tool Search tool 等能力，完成高度复杂的生产力任务。
6、mimo-v2.5-pro
MiMo-V2.5-Pro 是小米发布的最新旗舰模型。与前代模型相比，它在通用智能体能力、复杂软件工程以及长程任务等方面都有显著提升，在 ClawEval、GDPVal 和 SWE-bench Pro 等基准测试中均位列前茅。它能够独立且完全自主地完成需要人类专家耗时数天甚至数周的专业任务，涉及上千次工具调用。其高达 100 万 token 的上下文长度，非常适合集成到各种智能体框架中使用。
二、图像与视频
2.1 理解
分析图片和视频内容，返回文本描述或结构化结果，主要模型包括qwen3.7-plus、qwen3.5-omni-plus、kimi-k2.7-code等。
1、qwen3.7-plus
Qwen3.7系列中高性价比Plus模型，在强大文本能力的基础上全面升级了视觉-语言能力，同时保持了在编码、工具使用和生产力工作流方面的完整智能体能力。其核心特色为多模态交互混合智能体能力，能够感知真实世界场景、读取屏幕并操作 GUI、基于视觉参考生成代码、端到端导航移动应用。
2、qwen3.5-omni-plus
Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni 的全面进化版本， 支持超过 10 小时的音频理解及超过 400 秒的 720P（1 FPS）音视频理解与对话，并进一步拓展语言范围，支持60+种语言音频输入，30+语言语音输出，并且具备强大的结构化音视频理解能力，广泛应用于文本创作、语音助手、多媒体分析等场景，提供自然流畅的多模态理解与交互体验。
3、kimi-k2.7-code
kimi-k2.7-code是 kimi 迄今最智能的coding模型，在长上下文中更可靠地遵循指令，能以更高的成功率完成编程任务，同时支持文本、图片与视频输入，思考模式，对话与 Agent 任务。
2.2 生成
通过文本或图片生成图像与视频，支持编辑、参考与高分辨率输出。主要模型包括wan2.7-image-pro、qwen-image-2.0-pro、happyhorse-1.1-t2v等。
1、wan2.7-image-pro
万相2.7-图像生成与编辑旗舰版模型，支持文生图、文生组图、图生组图、图像编辑、多图参考生成、交互式编辑，在文字渲染、主体一致性、复杂指令遵循上都有更强表现。
2、qwen-image-2.0-pro
Qwen-Image-2.0系列满血版模型，实现了图片生成和图片编辑的融合；具备更专业的文字渲染1k token指令支持能力、更细腻的真实质感，细腻刻画写实场景、更强的语义遵循能力。满血版具备2.0系列最强的文字渲染能力和真实质感。
3、happyhorse-1.1-t2v
HappyHorse-1.1-T2V支持文生视频，进一步提升文本语义理解、镜头调度与动态生成表现。模型能够更精准地还原创作意图，在人物动作、场景氛围、视觉美感和物理运动上生成更流畅自然、细节丰富且一致性更高的高质量视频。
4、happyhorse-1.1-i2v
HappyHorse-1.1-I2V支持图生视频，进一步提升画面质感、动态表现与跨片段一致性。模型能够更精准地理解输入图像并延续创作意图，在人物皮肤质感、ID跨片段保持、动作流畅度、文字渲染稳定性以及音画同步上带来显著改善，输出更真实自然、细节丰富且一致性更高的高质量视频。
5、happyhorse-1.1-r2v
HappyHorse-1.1-R2V支持参考生视频，进一步提升主体、场景风格与画面一致性的稳定保持。模型最多支持9张参考图片输入，能够更精准理解并延续创作意图，在人物、场景、风格和镜头表现上带来更强的可控性与表现力。
6、happyhorse-1.0-video-edit
HappyHorse-1.0-Video-Edit支持视频编辑，自然语言指令编辑视频，可参考最多5张图片局部或全局编辑视频元素，能够精准复刻视频动态过程，实现更强表现能力。
三、3D模型生成
文生3D模型或图生3D模型，构建三维资产，主要模型包括Tripo/Tripo-H3.1、Tripo/Tripo-P1.0。
1、Tripo/Tripo-H3.1
Tripo H3.1 是 Tripo 推出的高精度 3D 生成模型，专为需要极致视觉质量与细节表现的创作者设计。模型通过核心算法升级与模块优化，参数规模达 200 亿级，支持十亿体素级三维分辨率与最高 200 万面多边形生成。在保持高精度几何与真实纹理的同时，Tripo H3.1 对输入参考图的还原度与对齐度进一步提升，在角色形体、面部细节与几何文字等复杂结构上实现更稳定、细致的表达，适用于高质量视觉制作与 3D 打印等高精度资产生产场景。
2、Tripo/Tripo-P1.0
Tripo P1.0 是面向实时应用与生产管线的 3D 生成模型，专为需要干净拓扑和引擎可用网格的开发者与创作者设计。模型可在约 2 秒内生成具备专业级拓扑结构的 3D 资产，适用于游戏、Web3D 与各类实时交互场景。针对 UGC 内容生产中对“速度”和“开箱即用”的需求，Tripo P1.0 在保证质量的同时大幅提升生成效率，使资产能够快速接入实时引擎与开发流程。
四、音频与语音
4.1 语音合成
适用于有声阅读、语音播报、虚拟人等场景。主要模型包括cosyvoice-v3.5-plus、MiniMax/speech-2.8-hd。
1、cosyvoice-v3.5-plus
CosyVoice-v3.5-Plus是通义实验室CosyVoice系列的超高表现力语音合成大模型。对声音克隆和声音设计的语音合成效果进行全面升级，确保说话人高相似度的前提下，支持free-style指令控制，合成风格丰富多样。较之前版本大幅减少首包延迟，同时提高发音准确率，改善韵律和音质。支持跨多语种（中、英、德、法、俄、日、韩、葡、泰、印尼、越南）超自然听感实时语音合成。
2、MiniMax/speech-2.8-hd
MiniMax 语音大模型能够根据上下文，智能预测文本的情绪、语调等信息，并生成超自然、高保真、个性化的语音。在社交、播客、有声书、新闻资讯、教育、数字人等多种场景中展现出强大的实力。
4.2 音乐生成
根据提示词或歌词生成音乐。主要模型包括fun-music-v1、fun-music-preview。
1、fun-music-v1
百聆音乐生成大模型（Fun音乐大模型）支持输入开放性歌曲的创作要求或歌词，生成整首男/女声演唱的中文或英文歌曲。歌曲通俗易懂，情绪由浅入深，是人类灵感与大模型能力的完美结合。
2、fun-music-preview
百聆音乐生成preview版大模型（Fun音乐大模型）支持输入开放性歌曲的创作要求或歌词，生成整首男/女声演唱的中文或英文歌曲。歌曲通俗易懂，情绪由浅入深，是人类灵感与大模型能力的完美结合。
4.3 语音识别
专业 ASR 与大模型两种方案，按精度与灵活性选择。主要模型包括fun-asr-realtime、fun-asr、qwen3.5-omni-plus-realtime、qwen3.5-omni-plus。
1、fun-asr-realtime
通义实验室新一代端到端语音识别大模型的实时版，基于领先的自研语音技术，具备卓越的上下文感知和高精度语音转写能力。基于端到端架构，Fun-ASR 集成了创新的 RAG 技术，支持大规模热词自定义、敏感/语气词自动过滤、ITN 规范化、标点预测等多维功能，显著提升了整体识别准确率和语境贴合度。同时，Fun-ASR 支持中英文自由切换，多地区方言覆盖，具备更强的噪声鲁棒性，适应多样复杂环境。
2、fun-asr
百聆2026年4月更新的大模型ASR版本，全面支持汉语传统七大方言体系（官话/吴/湘/赣/客/闽/粤），并适配 20+ 地区口音官话。针对中文古诗词的韵律、节奏与文言表达特点进行专项优化，提升对古诗词内容的识别准确率，适用于文化传承、教育讲解、有声读物等场景。优化标点预测与文本归一化能力，使输出文本更符合书面表达习惯，数字、日期、金额等信息自动转换为标准格式，增强内容的可读性与专业性。
3、qwen3.5-omni-plus-realtime
Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni 的全面进化版本，支持60+种语言音频输入，30+语言语音输出以及可控语音对话，WebSearch和复杂FunctionCall的调用，并且具备智能语义打断的交互能力，广泛应用于文本创作、语音助手、多媒体分析等场景，提供自然流畅的多模态交互体验。
4、qwen3.5-omni-plus
Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni 的全面进化版本， 支持超过 10 小时的音频理解及超过 400 秒的 720P（1 FPS）音视频理解与对话，并进一步拓展语言范围，支持60+种语言音频输入，30+语言语音输出，并且具备强大的结构化音视频理解能力，广泛应用于文本创作、语音助手、多媒体分析等场景，提供自然流畅的多模态理解与交互体验。
4.4 语音转语音
端到端语音对话，无需分别调用 ASR 和 TTS。主要模型包括qwen3.5-omni-plus-realtime、qwen3.5-omni-plus。
1、qwen3.5-omni-plus-realtime
Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni 的全面进化版本，支持60+种语言音频输入，30+语言语音输出以及可控语音对话，WebSearch和复杂FunctionCall的调用，并且具备智能语义打断的交互能力，广泛应用于文本创作、语音助手、多媒体分析等场景，提供自然流畅的多模态交互体验。
2、qwen3.5-omni-plus
Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni 的全面进化版本， 支持超过 10 小时的音频理解及超过 400 秒的 720P（1 FPS）音视频理解与对话，并进一步拓展语言范围，支持60+种语言音频输入，30+语言语音输出，并且具备强大的结构化音视频理解能力，广泛应用于文本创作、语音助手、多媒体分析等场景，提供自然流畅的多模态理解与交互体验。
五、向量与重排序
文本或图文向量化，配合重排序提升检索精度。主要模型包括text-embedding-v4、tongyi-embedding-vision-plus、qwen3-rerank。
1、text-embedding-v4
通用文本向量V4版本，是通义实验室基于Qwen3训练的多语言文本统一向量模型，相较V3版本在文本检索、聚类、分类性能大幅提升；在MTEB多语言、中英、Code检索等评测任务上效果提升15%~40%；支持64~2048维用户自定义向量维度。
2、tongyi-embedding-vision-plus
Embedding-Vision是基于LLM底座的视觉多模态表征模型，具有以视觉为中心、领域性能优异（电商、 安防、相册/图库、自驾等）、高性价比的特点。兼容文本、图像、视频3种模态，可应用于以图搜图、以文搜图、以文搜视频，以视频搜视频等下游任务场景。
3、qwen3-rerank
基于Qwen LLM底座训练的文本排序模型，对输入的Query和候选Docs进行相关性排序，支持100+语种和长文本输入，适用于文本检索、RAG等场景，效果对齐开源Qwen3-Rerank系列模型。
六、阿里云百炼大模型最新优惠
活动一：阿里云Qwen3.7-Max与HappyHorse模型限时优惠
活动汇集了通义大模型和文生视频模型的一系列重磅优惠及场景化应用推荐。活动主要内容聚焦于两大核心AI产品的限时折扣：一是针对智能体时代的旗舰模型 Qwen3.7-Max，提供限时5折优惠以及100万tokens的免费试用，同时配套推出了支持抵扣该模型的“全模型通用抵扣计划”，新用户购买可按月或按季享受低至4.5折的折上折；二是针对AI视频生成模型 HappyHorse系列，推出了限时6折优惠。此外，活动还结合电商营销、短剧制作、AICoding等真实场景，展示了如何通过“开箱即用”的AI应用加速业务创新，并提供了低至1折的弹性GPU算力和多款AI应用免费体验，全方位助力开发者和企业降低AI应用门槛与成本。活动详情可参考：https://www.aliyun.com/benefit/ai/discount
活动二：Qwen3.7-Max 发布，限时5折起
本活动是阿里云面向真实生产力场景推出的一项重磅促销，主推其Qwen3.7-Max旗舰大模型。活动核心是围绕该模型提供限时5折优惠与100万tokens免费试用，并结合灵活的“AI模型通用抵扣计划”（支持150+款模型，抵扣额度可包月/包季，最低至4.5折），旨在让开发者与企业能以低成本门槛深度体验其在编程自动化、复杂任务长周期自主执行等智能体前沿能力，全方位重塑专业工作流。活动详情可参考：https://www.aliyun.com/benefit/scene/qwen3
活动三：Qwen3.7-Plus发布，限时8折
通义千问Qwen3.7-Plus专属是阿里云为其最新推出的 Qwen3.7-Plus 多模态智能体模型举办的专场推广活动。活动的核心是为这款 “能看、能想、能动手的多模态智能体模型” 提供限时优惠，包括 首推模型直接享受8折折扣 以及 100万tokens的免费试用额度。同时，页面也推广了更灵活的 “全模型通用抵扣计划”（支持150+款模型，包季低至4.5折），作为用户使用Qwen3.7-Plus及阿里云其他AI模型的入门与成本优化方案。活动详情可参考：https://www.aliyun.com/benefit/scene/qwen37plus
活动四：HappyHorse-1.1 限时专享 6 折
活动主打 HappyHorse-1.1 系列模型限时专享 6 折，HappyHorse-1.1 在多图参考一致性、动态表现力和视觉质感三方面的全面升级，并针对 720P 和 1080P 视频生成服务提供了具体的秒单价（分别为 0.54元/秒起 和 0.72元/秒起）和 “免费体验 10 秒视频生成” 的试用机会。此外，为降低使用门槛，活动还推出了支持抵扣 HappyHorse-1.1 的 “全模型通享低至 4.5 折” 的 TokenPlan 订阅方案，并提供了丰富的示例、创作指引和专业咨询服务。活动详情可参考：https://www.aliyun.com/benefit/scene/happyhorse-1/1
当然，除了AI产品和大模型相关活动之外，云服务器相关活动也是用户非常关心的，在阿里云目前的活动中，轻量应用服务器限时抢购2核2G38元/年、2核4G9.9元1个月、199元/年；经济型e实例3.9折，通用算力型u2i实例3折，九代c9i、g9i、r9i等实例1年付6.4折起等优惠权益。详情可通过云服务器专属活动了解：https://www.aliyun.com/daily-act/ecs/activity_selection
小结：阿里云百炼构建起了覆盖文本、图像、视频、3D、音频语音的全栈式多模态模型矩阵，从满足高并发轻量化需求的低成本模型，到支撑复杂长周期智能体任务的旗舰级模型，不同能力梯度的产品可以精准匹配各类业务场景。统一的API调用规范、丰富的工具生态与企业级的安全保障，让开发者无需在多平台间反复适配，就能快速搭建出覆盖多模态能力的AI应用，是当前落地全链路AI业务的高效选择。
